基干多层关联目标跟踪视频浓缩算法.doc

基于多层关联目标跟踪的视频浓缩算法 　　摘要：针对银行监控系统中监控视频信息冗余度高、浏览效率低等问题，提出一种基于多层关联目标跟踪的视频浓缩算法。该算法首先通过基于聚类的目标检测算法获取运动目标，其次将检测结果通过多层关联目标跟踪，获取运动目标的运动轨迹，并将目标图片和视频信息结构化保存在本地，最后将这些目标重新组合整理，回贴到背景图片上得到浓缩视频。实验结果表明，通过该算法得到的浓缩视频，能够在不丢失视频信息的前提下，减少存储空间，节省硬件成本，缩短浏览时间，提高相关人员的工作效率 关键词：视频浓缩；目标跟踪；目标检测；背景建模；最小代价图；智能监控 DOIDOI：10.11907/rjdk.161778 中图分类号：TP317.4 文献标识码：A文章编号2016）010016904 0引言 随着人们公共安全意识的增强，越来越多的高清网络摄像机被配置在公共场所，尤其像银行这种比较特殊的场合，对安全性要求更高，通常都是无死角的监控覆盖。同时由于监控摄像头固定的特点，很多监控画面长时间保持不变，这对某些工作人员来说，想通过回看监控视频及时获取感兴趣信息很不方便，而且保存这些高清不变的视频画面，也是对存储资源的浪费。因此将原始视频进行压缩，得到浓缩视频，只保留感兴趣的视频信息，具有很高商业价值和研究意义 视频浓缩也称视频摘要，是对原始视频内容的高度概括，让不同时间出现的目标，在同一时刻同一场景中出现。文献[1]、[2]提出了基于提取关键帧的方法来对视频进行摘要浓缩。关键帧是从原始视频中提取能够反映视频内容信息的一帧或者多帧图像。关键帧技术通常应用于影视动画的剪辑中。当视频内容复杂时导致关键帧选取不恰当，这样就会丢失关键信息，同时由于形成摘要，视频播放时存在不连续、画面卡顿现象。文献[3]、[4]基于对象视频摘要，通过运动目标检测，获取感兴趣的对象，然后将目标检测结果回贴到背景中形成浓缩视频。这种技术能够有效保持视频内容信息随时间动态变化的特征，同时能够最大限度减少时间以及空间上的冗余。但是背景上叠加的对象过多则干扰了人工排查，如果目标检测的准确性不高，会导致摘要重复、混乱等问题 本文提出基于多层关联目标跟踪的视频浓缩方法。首先通过运动目标检测，得到感兴趣的运动目标。然后参考文献[5]、[7]提出的多目标跟踪方法，提出多层关联目标跟踪算法，该算法的核心思想是求解最小代价图。经过目标跟踪后，获取感兴趣对象的运动轨迹及对应的视频信息，并结构化保存在本地文件中。最后按照设定的浓缩比，在背景图片上，将跟踪的目标对象重新组合整理，形成浓缩视频，过程如图1所示 1基于聚类的目标检测算法 运动目标检测[8]获取运动对象，是智能监控领域的研究基础，本文参考文献[9]，提出一种基于聚类的方法建立背景模型，然后通过背景减法得到前景目标 1.1背景减法 背景减法是运动目标检测中最常用的方法之一。首先进行背景建模获取背景图片，然后将视频帧与背景图片差分得到前景运动目标 FGt（x，y）=It（x，y）-BGt（x，y）（1） 其中，FGt（x，y）表示t时刻的前景目标图片，It（x，y）是t时刻原始视频图片，BGt（x，y）是通过背景建模得到的背景图片 1.2背景建模 背景建模是通过背景减法获取运动目标的关键步骤。本文将目标检测看成是背景点和前景点的二分类问题。当像素值波动比较小或者不变时，将该像素点分到背景点一类中，反之分到前景点一类中，具体算法如下文 在l层的每个视频段中寻找所有最小代价图，得到每个目标的短的轨迹片段，然后将这些短的轨迹片段同样看作检测点，采用类似于l层的方法，在l+1层将这些短的轨迹片段关联成较长的轨迹片段。通过不断迭代这两步，直到视频在某一层只剩下1段，此时得到目标的运动轨迹 2.1.1最小代价图 2.1.2关系权重计算 构建全局加权图G时，“加权”是指图中边上的权值W，表示两个检测点之间的关系， 属于同一个目标的检测点或者轨迹片段之间相似度高，对应的关系权重小 （1）外观相似性计算 本文在计算检测点或者轨迹片段之间的外观相似性时，采用HSV颜色直方图和形状梯度直方图两个特征。为方便说明，若没有特殊解释，假设vi在vj之前出现，同时既可以表示检测点，也可以表示轨迹片段 踪对象的视频浓缩 本文以目标跟踪的运动轨迹为基础，将检测跟踪的运动目标的图片重新整合，按照一定浓缩比，回贴到背景图片中，保留原始目标的空间信息，生成摘要视频。让不同时刻出现的目标在同一场景中出现，从时间上对原始视频压缩。具体视频浓缩步骤如下： ①采用背景建模的方法得到背景图片； ②将经过多目标跟踪得到的运动目标，按照